Une équipe de recherche de l'UC Berkeley a présenté RATS (Robotics Agent Teams), un cadre novateur pour l'apprentissage robotique ludique et autonome qui permet aux robots d'acquérir des compétences par le jeu autodirigé, sans instructions explicites.
Publié sur arXiv le 17 juin 2026, l'article « Playful Agentic Robot Learning » aborde une limitation fondamentale des systèmes robotiques actuels : ils n'apprennent que lorsque des instructions explicites leur sont données. RATS inverse ce paradigme en traitant les robots comme des explorateurs curieux qui découvrent et internalisent proactivement des compétences réutilisables.
Résultats de performance :
Dans les expériences sur les benchmarks LIBERO-PRO et MolmoSpaces, RATS a obtenu des améliorations remarquables :
- 20,6 points de pourcentage de gain par rapport aux agents standard sur LIBERO-PRO
- 17,0 points de pourcentage sur MolmoSpaces
- Les compétences apprises ont amélioré RoboSuite de 8,9 points et le transfert dans le monde réel de 8,8 points
Importance :
Cette recherche démontre que le « jeu » non supervisé peut produire des bibliothèques de compétences de code de haute qualité et transférables entre environnements. L'approche ouvre de nouvelles possibilités où les robots s'améliorent continuellement grâce à l'exploration autodirigée.
